熊明强，谯 杰，夏 芹

（1.汽车噪声振动和安全技术国家重点实验室，重庆 401122；2.中国汽车工程研究院股份有限公司 重庆 401122）

自动驾驶近年受到全世界广泛关注[1-10]，普遍认为该技术可以有效解决交通拥堵，提高交通安全性[1,6,11]。目前一些自动驾驶厂商已经进行了大规模的道路测试，比如谷歌自动驾驶汽车和苹果自动驾驶汽车。然而，由于交通系统的复杂性，现在的自动驾驶或多或少都存在着一些安全性问题，导致这些自动驾驶车辆在进行测试时发生了一系列事故，其主要原因是自动驾驶车辆内部的自动驾驶算法不足以应对动态变化的交通环境。据研究[12]，目前近三分之一的交通事故是由不安全的换道操作导致的。

利用机器学习进行人类换道执行模型属于数据驱动模型，其模型参数需要经过大量换道执行数据的训练而确定。目前，利用机器学习进行人类换道轨迹规划的研究还很少[13-15]，YAO Wen 等[13]将k最近邻算法应用到换道轨迹规划中，然而该模型用到的数据量非常有限；考虑到已有的机器学习算法只能预测换道车辆的位置，DING Chenxi 等[14]构建了两层BP 神经网络对车辆换道进行实时预测，该模型对NGSIM 数据[16]进行学习，在已有研究的基础上扩大了数据量。但是，换道数据是一种时间序列，以上两种机器学习方法只是单一的复制车辆在某个状态下的位置，并没有考虑到换道时每个规划步长之间的换道数据存在联系[17]。在此基础上，XIE Dongfan 等[15]构建了LSTM 神经网络对车辆换道轨迹进行预测，对于人类换道轨迹学习取得了99%以上的精度。……